Reduzindo o Custo Computacional do Algoritmo das Projeções Sucessivas para Problemas de Classificação Utilizando o Lema de Inversão de Matrizes
|
|
- Vergílio Fraga Barreiro
- 5 Há anos
- Visualizações:
Transcrição
1 Anais do CNMAC v.2 ISSN X Reduzindo o Custo Computacional do Algoritmo das Projeções Sucessivas para Problemas de Classificação Utilizando o Lema de Inversão de Matrizes Anderson da Silva Soares Programa de Pós-Graduação em Engenharia Eletrônica e Computação, ITA , São José dos Campos, SP engsoares@gmail.com Roberto Kawakami Harrop Galvão Divisão de Engenharia Eletrônica, ITA , São José dos Campos, SP kawakami@ita.br Resumo: Técnicas de seleção de variáveis como o Algoritmo das Projeções Sucessivas (APS) podem ser empregadas em problemas de classificação com o objetivo de reduzir a dimensionalidade do problema. Neste trabalho é proposto o uso do lema de inversão de matrizes para reduzir o custo computacional do APS. O ganho computacional obtido pela modificação é ilustrado em um exemplo de detecção de falhas de um sistema industrial simulado. Dados do software de simulação Tennessee Eastman Process foram utilizados com o sistema operando com e sem falha. Utilizando o APS com a modificação proposta, foi possível obter uma economia de até 63% do tempo computacional sem perda de desempenho em termos de taxa de acerto de classificação. Palavras-Chave: Algoritmo das Projeções Sucessivas, classificação de padrões, seleção de variáveis, lema de inversão de matrizes, eficiência computacional. 1 Introdução A seleção de variáveis em problemas de classificação tem por objetivo obter um subconjunto de atributos não-redundantes entre si que melhor representem os objetos a serem classificados 8. O Algoritmo das Projeções Sucessivas (APS) foi proposto em 1 como uma técnica de seleção de variáveis para minimizar problemas de colinearidade em Regressão Linear Múltipla. O algoritmo foi posteriormente adaptado para tratar problemas de classificação por Análise Discriminante Linear 2, tendo proporcionado taxas de acerto superiores às obtidas por métodos baseados em análise de componentes principais ou algoritmos genéticos 2, 9. O APS compreende duas fases 2. Dada uma matriz X de dados de treinamento com N linhas (objetos) e K colunas (variáveis), a fase 1 consiste de operações de projeção envolvendo as colunas de X. Estas projeções são utilizadas para gerar K cadeias de variáveis candidatas. Na fase 2, cada uma das cadeias é usada para definir subconjuntos de variáveis a serem avaliados por meio de uma métrica baseada na distância de Mahalanobis 4. Os subconjuntos são gerados incluindo-se uma número progressivamente maior de variáveis, na ordem estabelecida dentro da cadeia. Em termos de custo computacional, a fase 2 do APS requer um tempo de execução consideravelmente maior que o da fase 1. Isso se deve à necessidade de calcular, para cada subconjunto de variáveis, a inversa da matriz de covariância conjunta a ser usada no cômputo da distância de Mahalanobis. Vale ressaltar que, em aplicações envolvendo um número elevado de variáveis, o tempo de execução pode se tornar proibitivo. Por essa razão, propõe-se neste trabalho uma técnica de atualização da inversa da matriz de covariância conjunta por meio do lema de inversão de matrizes para reduzir o custo computacional da fase 2 do APS. 994
2 Para ilustração apresenta-se um estudo de caso do problema de detecção de falhas. Uma falha é entendida como uma operação anormal do sistema em estudo. A detecção de falhas pode ser formulada como um problema de classificação no qual devem ser distinguidas duas classes: ω 0 : Operação normal e ω 1 : Falha. O restante do texto está organizado da seguinte forma. Na seção 2 é feita uma revisão sobre o algoritmo APS em sua versão para problemas de classificação. Na seção 3 é apresentada a proposta de modificação utilizando o lema de inversão de matrizes na fase 2 do APS. Na seção 4 é descrito o estudo de caso de detecção de falhas e as configurações para medida do tempo de execução antes e depois da alteração proposta. Na seção 5 são apresentados os resultados de classificação e de custo computacional. Finalmente na seção 6 são resumidas as conclusões do trabalho. 2 O Algoritmo APS para Problemas de Classificação O algoritmo APS faz uso de dois conjuntos de dados: um conjunto de treinamento com N objetos e outro conjunto de validação com N v objetos. Na fase 1, a partir de uma variável inicial x k (k = 1,...,K), cada elemento da cadeia é escolhido de modo a possuir a menor colinearidade em relação às variáveis anteriores, até que se complete um tamanho M pré-estabelecido. Como resultado, obtêm-se K cadeias de M variáveis cada uma. Detalhes desse procedimento estão descritos em 1, 2. Vale salientar que M é limitado pela seguinte restrição: M min(n c,k) (1) em que c é a quantidade de classes consideradas no problema 4. Na fase 2 o algoritmo APS utiliza o conjunto de validação para avaliar os subconjuntos extraídos das cadeias geradas na fase 1, conforme a seqüência de passos explicitada abaixo. 1 Avaliação dos subconjuntos de variáveis - Fase 2 do APS 1. Faça k = 1 2. Enquanto k < K 3. Faça m = 1 4. Enquanto m < M 5. Seja X km um subconjunto de variáveis formado pelos m primeiros elementos da k-ésima cadeia gerada na fase Calcule a inversa km da matriz de covariância conjunta com as variáveis contidas em X km. 7. Empregando as variáveis contidas em X km, calcule a distância de Mahalanobis de cada objeto do conjunto de validação ao centro de cada uma das classes consideradas, de acordo com a Equação (2): rkm(x 2 n, x j) = (x n x j) T km (xn xj); n = 1,..., Nv; j = 1,..., c (2) em que x n corresponde ao n-ésimo objeto do conjunto de validação e x j corresponde à média amostral da j-ésima classe. 8. Calcule o custo associado a cada objeto do conjunto de validação conforme a Equação (3): em que In ǫ {1,..., c} é o índice da classe do objeto x n 9. Calcule o custo médio G km conforme a Equação (4) 10. Faça m = m Fim Enquanto m < M 12. Faça k = k Fim Enquanto k < K r 2 g n,km = km(x n, x In) n = 1,..., min Ij In rkm 2 Nv (3) (xn, xij); G km = 1 N v N v n=1 g n,km (4) 995
3 A matriz de covariância conjunta S km do passo 6 é calculada como média ponderada das matrizes de covariância. O custo definido na Equação (3) é a razão das distâncias de Mahalanobis do objeto x n ao centro da classe correta e ao centro da classe incorreta mais próxima. Tal expressão pode ser interpretada como o risco de classificação incorreta do objeto em questão 2. Ao final da fase 2, a escolha do melhor sub-conjunto de variáveis dá-se pelo critério de menor custo médio dos subconjuntos analisados. Vale salientar que o cálculo da Equação (2) é efetuado M K vezes. Com os sucessivos incrementos no número de variáveis (laço Enquanto m < M ), há um acréscimo na dimensão da matriz S km. Portanto o custo computacional para se obter a inversa km, pode tornar-se elevado à medida que m é incrementado. Para efeito de comparação, nos testes utilizando os dados e configurações descritos na seção 4, a fase 2 demanda um tempo de execução dez vezes maior do que a fase 1, sendo a inversão de S km o passo de maior custo computacional dentro da fase 2 do algoritmo. 3 Técnica Proposta É possível reduzir o custo computacional da fase 2 do APS empregando-se uma abordagem seqüencial para se obter a inversa da matriz S k(m+1) com m + 1 variáveis a partir da inversa de S km. Para tanto, é proposto o uso do Lema de Inversão de Matrizes. O lema de inversão de matrizes é uma identidade matemática muito útil no cálculo da inversa de uma matriz, e que surge regularmente na área de controle de sistemas em aplicações do filtro de Kalman e do método dos mínimos quadrados recursivo 6, 7. Sejam A, C matrizes quadradas não-singulares e B, D matrizes tais que BCD tem a mesma dimensão de A. Então o chamado lema de inversão de matrizes é dado na forma 5 (A + BCD) 1 = A 1 A 1 B(DA 1 B + C 1 ) 1 DA 1 (5) Seja km a inversa da matriz de covariância conjunta para o subconjunto de variáveis {x k1,x k2,...,x km } correspondente aos m primeiros elementos da k-ésima cadeia. Ao adicionar x k(m+1), acrescenta-se um vetor s = s 1,s 2,...,s N T em S km, de modo que Sm s S k(m+1) = s T (6) r em que s = s 1,s 2,...,s N 1 T e r = s N. Conforme demostrado no apêndice A, é possível obter k(m+1) como: k(m+1) = ( m s1 r st ) 1 r s T ( m s 1 r st ) 1 1 q S 1 1 q m s 1 (7) em que q = r s T m s. Aplicando o lema de inversão de matrizes (Equação 5) para resolver ( m s1 r st ) 1, em que A = km, B = 1 r, C = s e D = st obtém-se: S 1 k(m+1) = m + 1 q S 1 m s st m 1 q st m 1 q S 1 1 q m s 1 (8) Logo, é possível obter k(m+1) a partir de S 1 km sem a necessidade de refazer todo o cálculo da inversa a medida que m é incrementado. Com isso, o custo computacional da fase 2 do algoritmo APS pode ser reduzido. 4 Materiais e Métodos Para fins de medida de tempo computacional, foi utilizado um notebook com processador AMD Athlon Dual-Core de 1.90Hz e 2GB de memória RAM. O ambiente de desenvolvimento foi o Matlab em sua versão
4 Em particular, foram utilizados os mesmos dados do trabalho apresentado em 10 gerados por meio de simulação do Tennessee Eastman process (TEP). O software é reconhecido na literatura de detecção de falhas como problema de benchmark e utiliza técnicas de controle multivariável de processos 3. O sistema em questão pode ser brevemente descrito como uma arranjo reator-separador-reciclo para geração de diferentes produtos em uma determinada proporção. O objetivo é a produção de materiais que serão referenciados como produtos PA, PC, PD e PE. O APS é empregado para escolher variáveis com atrasos de tempo a serem considerados. As medidas das grandezas da tabela 1 são realizadas com intervalos regulares de tempo, com período de amostragem T. Como entrada do classificador emprega-se os valores passados de w 1,w 2,...,w n. O objeto a ser classificado no instante de tempo t seria então x(t) = w 1 (t) w 1 (t T) w 1 (t (p 1)T)... w 2 (t) w 1 (t T) w 1 (t (p 1)T)... w n (t) w n (t T) w n (t (p 1)T) sendo p uma constante escolhida de modo a definir a janela de tempo a ser empregada. Grandeza w 1 w 2 w 3 w 4 w 5 w 6 w 7 w 8 w 9 w 10 w 11 w 12 w 13 w 14 w 15 w 16 w 17 w 18 w 19 w 20 w 21 w 22 Tabela 1: Grandezas monitoradas na simulação. Descrição Vazão de alimentação para o produto PA. Vazão de alimentação para o produto PD. Vazão de alimentação para o produto PE. Vazão de alimentação para os produtos PA e PC. Vazão de reciclo do compressor. Vazão de alimentação do reator Pressão do reator. Nível do reator. Temperatura do reator. Vazão do depurador. Temperatura do separador de produtos. Nível do separador de produtos. Pressão do separador de produtos. Vazão de líquido na saída do separador. Nível da retificadora. Pressão da retificadora. Vazão de líquido na saída da retificadora. Temperatura da retificadora. Vazão de vapor para a retificadora. Trabalho do compressor. Temperatura de saída da água de resfriamento para o reator. Temperatura de saída da água de resfriamento para o condensador. O simulador é capaz de simular condições de falha e operação normal por meio do monitoramento de 22 grandezas descritas na Tabela 1. Os dados se referem a 8 tipos de falhas no processo de produção por meio da manipulação de algumas variáveis conforme a Tabela 2. Cada caso de falha inclui 100 objetos obtidos a partir de operação normal e 100 objetos a partir de operação com falha. Os dados foram separados em três conjuntos: treinamento e validação a serem utilizados no algoritmo APS e ao final o classificador é obtido por Análise Discriminante Linear aplicado a um terceiro conjunto de teste de classificação onde será medida a acurácia do classificador. 4.1 Métricas de Avaliação No processo de detecção de falhas quatro possíveis resultados são previstos: Verdadeiro Positivo (VP) que consiste em detectar uma falha quando existe falha. Falso Positivo (FP) que consiste 997
5 Tabela 2: Falhas simuladas. Código da falha Grandeza manipulada IDV1 Razão de alimentação entre PA e PC IDV2 Composição do produto PB IDV3 Temperatura de alimentação do PD IDV4 Temperatura da água no reator IDV5 Temperatura da água no condensador IDV6 Perda de alimentação do produto PA IDV7 Perda de pressão IDV8 Composição dos produtos PA, PB, PC em detectar uma falha quando não existe falha. Verdadeiro Negativo (VN) que consiste em classificar a operação do sistema como normal quando a operação é normal, ou seja, sem falhas e Falso Negativo (FN) que consiste em classificar a operação do sistema como normal quando existe uma falha. As taxas de VP, FP, VN e FN podem ser usadas para calcular a sensibilidade do classificador V P V P+FN de falhas como a sensibilidade SEN(%) = 100% e a especificidade como ESP(%) = V N V N+FP 100%. A sensibilidade indica o quão bom é a classificação para identificar falhas, enquanto a especificidade indica a confiabilidade do classificador em detectar operação normal. Adicionalmente a taxa de acerto como TA(%) = 100% também será utilizada. 5 Resultados V P V P+FP A Tabela 3 apresenta os resultados de detecção para oito tipos de falhas utilizando o APS. Para cada tipo de falha um classificador foi treinado. Os resultados são referentes ao conjunto de teste. Para a maioria das falhas analisadas (IDV1, IDV2, IDV6, IDV7, IDV8) a detecção foi realizada com taxas de acerto, sensibilidade e especificidade elevadas. Tabela 3: Resultados da detecção de falhas utilizando o APS. APS-Classificação IDV1 IDV2 IDV3 IDV4 IDV5 IDV6 IDV7 IDV8 TA(%) SEN(%) ESP(%) Como o APS permite a escolha do número máximo de variáveis (M) a serem testadas na fase 2 do algoritmo, foi conduzido um experimento variando M de 1 ao máximo permitido conforme a Equação (1). O objetivo consiste em comparar o custo computacional da implementação original da fase 2 do APS com a implementação utilizando o lema de inversão de matrizes. A Figura 1 mostra o resultado comparativo do tempo de execução gasto na implementação original do APS e na implementação proposta na seção 3 para os dados da falha IDV1. Para o caso de M = 76 a modificação na fase 2 do APS resultou em uma redução de 63% do tempo computacional. Resultados similares foram obtidos ao se tratar as demais falhas. 998
6 600 Tempo de execução (segundos) (a) (b) M Figura 1: Custo computacional utilizando a implementação original (a) e a implementação com lema de inversão de matrizes (b) para os dados da falha IDV1. 6 Conclusões Este trabalho propôs uma nova implementação do algoritmo de seleção de variáveis APS por meio do uso do lema de inversão de matrizes. Esta implementação foi utilizada na fase 2 do algoritmo, principal limitante em termos de custo computacional. Como exemplo de aplicação, um problema de detecção de falhas em dados de um processo industrial simulado foi utilizado. Como resultado, o ganho computacional na fase 2 do APS chegou a 67%. Como continuidade do trabalho sugere-se o tratamento do custo computacional do laço Enquanto k < K no algoritmo apresentado na seção 2 eliminando subconjuntos de variáveis que já foram avaliadas. Agradecimentos Os autores agradecem o apoio financeiro da FAPESP (bolsa de doutorado 2007/ e projeto temático 2006/ ), CNPq (bolsa de produtividade em pesquisa) e CAPES/PROCAD (processo 0081/05-1). Referências 1 M. C. U. Araújo, T. C. B. Saldanha, R. K. H. Galvão, T. Yoneyama, H. C. Chame, V. Visani. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis. Chemometrics and Intelligent Laboratory Systems, 57(2):65 73, M. J. C. Pontes, R. K. H. Galvão, M. C. U. Araújo, P. N. T. Nogueira, O. D. P. Neto, G. E. José, T. C. B. Saldanha. The Successive Projections Algorithm for Spectral Variable Selection in Classification Problems. Chemometrics and Intelligent Laboratory Systems, 78(1):11-18, J. J. Downs, E. F. Vogel. A plant-wide industrial-process control problem, Computers and Chemical Engineering. Computers & Chemical Engineering, 17(3): , R. O. Duda, P. E. Hart, and D. G. Stork. Pattern Classification. John Wiley, New York, 2 edition,
7 5 W. Hager. Updating the inverse of a matrix. SIAM Review, 31(2): , S. Haykin. Adaptive Filter Theory. Prentice Hall, J. S. R. Jang, C. T. Sun, E. Mizutani. Neuro-Fuzzy and Soft Computing. Prentice Hall, N. Kwak, C. Choi. Input feature selection for classification. IEEE Transaction on Neural Networks, 13(1): , F. F. G. Neto, G. Marinoa, M. C. U. Araújo, R. K. H. Galvão, M. J. C. Pontesa, E. P. de Medeiros, R. S. Lima. Classification of edible vegetable oils using square wave voltammetry with multivariate data analysis. Talanta, 77(5): , X. Pei, Y. Yamashita, M. Yoshida, and S. Matsumoto. Fault detection in chemical processes using discriminant analysis. Journal of Chemical Engineering of Japan, 41(1):25 31, A Demonstração da Equação (7) Seja S k(m+1) = A B C D (9) em que A,B,C,D tem dimensões (r r), (r s), (s r) e (s s) respectivamente. Seja ainda k(m+1) dado por E F k(m+1) = (10) G H em que E,F,G,H têm dimensões (r r), (r s), (s r) e (s s) respectivamente. Sabe-se que S k(m+1) k(m+1) = I(matriz identidade), que na forma matricial equivale a A B C D E F G H = I 0 0 I (11) que equivale a A B C D E F G H = AE + BG = I AF + BH = 0 CE + DG = 0 CF + DH = I (12) Isolando G na segunda linha da primeira coluna da Equação (12) tem-se que G = D 1 CE. Substituindo G na primeira linha da primeira coluna da Equação (12) obtém-se E = (A BD 1 C) 1. Isolando F na primeira linha da segunda coluna da Equação (12) obtém-se F = A 1 BH. Substituindo F de modo a isolar H na segunda linha da segunda coluna da Equação (12) obtém-se H = (D CA 1 B) 1. Substituindo E, F, G e H na Equação (10), segue que (A BD k(m+1) = 1 C) 1 D 1 CE ABH (D CA 1 B) 1 (13) No mesmo sentido é possível isolar H e E e substituir na Equação (13) de modo que k(m+1) = (A BD 1 C) 1 AB(D CA 1 B) 1 D 1 C(A BD 1 C) 1 (D CA 1 B) 1 (14) 1000
DETECÇÃO DE FALHAS EM UM HELICÓPTERO DE TRÊS GRAUS DE LIBERDADE EMPREGANDO CONTROLE ESTATÍSTICO MULTIVARIADO DE PROCESSO
Anais do XVI Encontro de Iniciação Científica e Pós-Graduação do ITA XVI ENCITA / 2010 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil 20 de outubro de 2010 DETECÇÃO DE FALHAS EM UM
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia mais6 Estudo de Casos: Valor da Opção de Investimento em Informação por Aproximação com Números Fuzzy 6.1. Introdução
6 Estudo de Casos: Valor da Opção de Investimento em Informação por Aproximação com Números Fuzzy 6.1. Introdução Este capítulo apresenta o segundo estudo de casos, no qual também são empregados números
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
Leia maisUMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC
UMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC R. R. ROCHA 1 e L. C. OLIVEIRA-LOPES 1 1 Universidade Federal de Uberlândia, Faculdade de Engenharia Química E-mail para contato: rosi.rocha28@gmail.com;
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Redes de uma única camada O Perceptron elementar Classificação de padrões por um perceptron A tarefa de classificação consiste em aprender a atribuir rótulos a dados que
Leia maisIMPLEMENTAÇÃO DE SISTEMA DE ATITUDE EM DSP
Anais do 15 O Encontro de Iniciação Científica e Pós-Graduação do ITA XV ENCITA / 2009 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 19 a 21 2009. IMPLEMENTAÇÃO DE SISTEMA
Leia maisAlgoritmo do Morcego para Seleção de Variáveis em Calibração Multivariada
1 Algoritmo do Morcego para Seleção de Variáveis em Calibração Multivariada Silva, W. R., Paula, L. C. M., Soares; A. S., Coelho, C. J. Escola de Ciências Exatas e da Computação, Pontifícia Universidade
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Aprendizagem Baseada em Instâncias Plano de Aula Introdução Espaço
Leia maisImplementação de um sistema de validação estatística configurável de dados
Implementação de um sistema de validação estatística configurável de dados Eduardo Dias Filho Supervisores: João Eduardo Ferreira e Pedro Losco Takecian 16 de novembro de 2014 Introdução Table of Contents
Leia maisO Gênero influi no Tempo de Reação em Busca Visual?
X WORKSHOP DE COMPUTAÇÃO DA FACCAMP (WCF 2014) O Gênero influi no Tempo de Reação em Busca Visual? Sergio Santos Silva Filho, Felipe Rodrigues, Bruno Nogueira Sumário 1. Introdução; 2. Objetivos e Hipóteses
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisINSTITUTO TECNOLÓGICO DE AERONÁUTICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA MECÂNICA MP-272: CONTROLE E NAVEGAÇÃO DE MULTICÓPTEROS IV. ESTIMAÇÃO ÓTIMA Prof. Davi Antônio dos Santos (davists@ita.br) Departamento de Mecatrônica
Leia maisUM MÉTODO BASEADO EM DISTRIBUIÇÕES DE PROBABILIDADE PARA DETECÇÃO DE FALHAS EM CONVERSORES A/D
UM MÉTODO BASEADO EM DISTRIBUIÇÕES DE PROBABILIDADE PARA DETECÇÃO DE FALHAS EM CONVERSORES A/D JOÃO P. P. GOMES, BRUNO P. LEÃO EMBRAER Empresa Brasileira de Aeronáutica Av. Brigadeiro Faria Lima, 2170,
Leia maisAPLICAÇÃO DO FILTRO DE KALMAN A UM SISTEMA DE POSICIONAMENTO DE VEÍCULO AQUÁTICO
APLICAÇÃO DO FILTRO DE KALMAN A UM SISTEMA DE POSICIONAMENTO DE VEÍCULO AQUÁTICO André TEIXEIRA DE AQUINO; André LUIZ CARNEIRO DE ARAÚJO (1) Instituto Federal de Educação, Ciência e Tecnologia do Ceará,
Leia maisMineração de Dados. Análise e Seleção de Variáveis
Mineração de Dados Análise e Seleção de Variáveis 1 Análise e Seleção de Variáveis Parte da uma área chamada de Redução de Dados Obtenção de uma representação reduzida em volume mas que produz resultados
Leia maisProjeções Multi-dimensionais
Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) 23 de setembro de 2010 Introdução
Leia maisSEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro
SEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro Detecting Pedestrians Using Patterns of Motion and Appearance *Paul Viola *Michael J. Jones *Daniel Snow Por que detectar pedestres? http://conexaopenedo.com.br/2016/02/sistema-consegue-detectar-pedestres-em-tempo-real/
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Leia maisPROJETO DA MALHA DE CONTROLE DE UM PROCESSO DE HIDRÓLISE DE ANIDRIDO ACÉTICO EM CSTR
PROJETO DA MALHA DE CONTROLE DE UM PROCESSO DE HIDRÓLISE DE ANIDRIDO ACÉTICO EM CSTR A. C. S. R. DIAS, B. R. BOTINHA, J. R. COSTA, C. S. O. TENIS e J. C. S. DUTRA LAMCES Laboratório de Métodos Computacionais,
Leia maisSISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS Stéphanie Lucchesi, Sandra Regina Monteiro Masalskiene Roveda Campus Experimental de Sorocaba Engenharia Ambiental steh_l@hotmail.com, ISB. Palavras chave: fuzzy,
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisAnálise de Componentes Principais (PCA)
Análise de Componentes Principais (PCA) Lailson B. Moraes, George D. C. Cavalcanti {lbm4,gdcc}@cin.ufpe.br Roteiro Introdução Características Definição Algoritmo Exemplo Aplicações Vantagens e Desvantagens
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Processamento de sinais em Sistemas
Leia maisUso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
Leia maisORIENTADOR(ES): ANTÔNIO FERNANDO BERTACHINI DE ALMEIDA P, DENILSON PAULO SOUZA DOS SANTOS
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: MODELAGEM DE TRANSFERÊNCIAS ORBITAIS NO SISTEMA TERRA-LUA CATEGORIA: EM ANDAMENTO ÁREA: ENGENHARIAS
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Camada Única Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisModelo para alocação de instrumentos com previsão de redundância de medição em sistemas com medições escassas.
Modelo para alocação de instrumentos com previsão de redundância de medição em sistemas com medições escassas. M. V. A. NARCISO 1, E. C. DO VALLE 1 e R. A. KALID 1 1 Universidade Federal da Bahia, Departamento
Leia maisDESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI
DESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI BIONDI C. O.¹, VIANNA S. S. V. 2, RODRIGUES M. T. M.³ 1 Universidade Estadual de Campinas, Departamento de Engenharia de Sistemas Químicos
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisé a saida do melhor individuo. A configuração de parâmetros da
61 4 4.1. Configuração Neste capítulo, comparam-se os resultados e o desempenho obtidos pela PGLIQ com a extensão do modelo proposto GPU-PGLIQ-I que foi desenvolvido nesta dissertação. Apresentam-se dois
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisControle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Aprendizagem Baseada em Instâncias Alessandro L. Koerich Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática
Leia maisUniversidade Federal do Rio Grande do Norte. Métodos Computacionais Marcelo Nogueira
Universidade Federal do Rio Grande do Norte Métodos Computacionais Marcelo Nogueira Método de Jacobi Método iterativo: produz uma sequencia de soluções,,,, que aproximam a solução do sistema a partir de
Leia maisMATRIZES - PARTE Mais exemplos Multiplicação de duas matrizes AULA 26
AULA 26 MATRIZES - PARTE 2 26. Mais exemplos Nesta aula, veremos mais dois algoritmos envolvendo matrizes. O primeiro deles calcula a matriz resultante da multiplicação de duas matrizes e utiliza três
Leia maisSensibilidade do método de adaptabilidade e estabilidade de Lin & Binns: um estudo via simulação
Sensibilidade do método de adaptabilidade e estabilidade de Lin & Binns: um estudo via simulação Rafael Lédo Rocha de Oliveira DET, UFV 1 Anderson Rodrigo da Silva DET, UFV Cosme Damião Cruz DBG, UFV Paulo
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisAlgoritmo para Determinação e Classificação de Distúrbios Múltiplos em Sistemas Elétricos 79
Algoritmo para Determinação e Classificação de Distúrbios Múltiplos em Sistemas Elétricos 79 3.3.3 Classificação dos distúrbios múltiplos Para a correta classificação dos diversos distúrbios é necessário
Leia mais5. Aplicação da Modelagem Proposta
Aplicação da Modelagem Proposta 5. Aplicação da Modelagem Proposta Na aplicação da modelagem proposta serão utilizados os dados de carga elétrica da LIGHT Serviços de Eletricidade S.A. (principal concessionária
Leia maisAvaliação de Desempenho de Sistemas Discretos
Referências Avaliação de Desempenho de Sistemas Discretos Parte I: Introdução Professor: Reinaldo Gomes reinaldo@computacao.ufcg.edu.br 4 Kleinrock, L. Queueing Systems - Vol. : Theory. John Wiley & Sons,
Leia maisTabela 4.1 Distribuição dos indicadores por tipo Tipo de Indicador No. de indicadores. Indicadores de Evento 93. Indicadores de Tendência 37
4 Estudo de Casos A metodologia proposta no capítulo 3 foi aplicada em casos reais coletados de equipamentos Caterpillar da Sotreq. As falhas aqui estudadas são referentes a dois componentes do caminhão:
Leia maisReconhecimento de Faces com PCA e Redes Neurais
Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução
Leia maisComputação Paralela: Algoritmos e Aplicações
Computação Paralela: Algoritmos e Aplicações Prof. Amit Bhaya, Programa de Engenharia Elétrica, COPPE/UFRJ 06/05/2003 -- 09/05/2003 http://www.nacad.ufrj.br/~amit/ NACAD = Núcleo de Computação de Alto
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Tópicos 1. Seleção de atributos 2. Redução de
Leia mais7 Resultados e Discussão
114 7 Resultados e Discussão A fim de avaliar a importância da utilização de imagens polarizadas em medidas de textura, cujo processamento necessita de imagens nos dois modos de captura (campo claro e
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisLaboratório 4 - Controle nebuloso
Laboratório 4 - Controle nebuloso PTC 2619 / PTC 3418 Laboratório de Automação 1º semestre de 2017 Bruno A. Angélico Laboratório de Automação e Controle Departamento de Engenharia de Telecomunicações e
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisMODELAGEM E SIMULAÇÃO DO DESEMPENHO DE REATORES DE FLUXO CONTÍNUO E EM BATELADA NO TRATAMENTO DE EFLUENTE TÊXTIL UTILIZANDO O SOFTWARE LIVRE PYTHON.
MODELAGEM E SIMULAÇÃO DO DESEMPENHO DE REATORES DE FLUXO CONTÍNUO E EM BATELADA NO TRATAMENTO DE EFLUENTE TÊXTIL UTILIZANDO O SOFTWARE LIVRE PYTHON. R.V.SAWAKI 1, T. C. PARENTE 1, J.E.C. ALEXANDRE 2, A.C.
Leia maisDivisão e Conquista. Fernando Lobo. Algoritmos e Estrutura de Dados II. É uma técnica para resolver problemas (veremos outras técnicas mais adiante).
Divisão e Conquista Fernando Lobo Algoritmos e Estrutura de Dados II 1 / 27 Divisão e Conquista É uma técnica para resolver problemas (veremos outras técnicas mais adiante). Consiste em 3 passos: Dividir
Leia maisAnálise empírica de algoritmos de ordenação
Análise empírica de algoritmos de ordenação Mario E. Matiusso Jr. (11028407) Bacharelado em Ciências da Computação Universidade Federal do ABC (UFABC) Santo André, SP Brasil mario3001[a]ig.com.br Resumo:
Leia mais4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA
94 4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA 4.1 INTRODUÇÃO Conforme dito no capítulo 1, a diminuição das perdas técnicas e comerciais é uma das principais prioridades das
Leia maisPRODUÇÃO DE UMA INTERFACE GRÁFICA (SOFTWARE ACADÊMICO) PARA SIMULAÇÃO DE UMA COLUNA DE DESTILAÇÃO
PRODUÇÃO DE UMA INTERFACE GRÁFICA (SOFTWARE ACADÊMICO) PARA SIMULAÇÃO DE UMA COLUNA DE DESTILAÇÃO F. L. BEZERRA 1, C.H. SODRÉ 2 e A. MORAIS Jr 3 1,2 Universidade Federal de Alagoas, Centro de Tecnologia
Leia maisPrecondicionadores baseados na aproximação da inversa da matriz de coeficientes
Precondicionadores baseados na aproximação da inversa da matriz de coeficientes João Paulo K. Zanardi, Italo C. N. Lima, Programa de Pós Graduação em Eneganharia Mecânica, FEN, UERJ 20940-903, Rio de Janeiro,
Leia maisAlgoritmos de bulk-loading para o método de acesso métrico Onion-tree
Algoritmos de bulk-loading para o método de acesso métrico Onion-tree http://www.icmc.usp.br/img/novafaixa.png Arthur Emanuel de O. Carosia Profa. Dra. Cristina Dutra de Aguiar Ciferri Visão Geral Onion-tree
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Clusterização: Conceitos Básicos Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisIF-705 Automação Inteligente Perceptrons de Múltiplas Camadas
IF-705 Automação Inteligente Perceptrons de Múltiplas Camadas Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maismúltiplos classificadores locais para diagnóstico de falhas em processos industriais
Extração e seleção de características em múltiplos classificadores locais para diagnóstico de falhas em processos industriais Gustavo B. Santi 1, Victor N. Rebli 2, Patrick M. Ciarelli 1, Thomas W. Rauber
Leia maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia maisSumário. Referências utilizadas. Introdução. MAFIA: Merging of Adaptive Finite Intervals. Introdução Visão Geral e Objetivos do MAFIA
Sumário : Merging of Adaptive Finite Intervals Elaine Ribeiro de Faria Análise de Agrupamento de Dados ICMC-USP Dezembro 2010 Introdução Visão Geral e Objetivos do Algoritmo Grid Adaptativo Algoritmo Algoritmo
Leia maisInfluência do Tamanho Amostral no Planejamento Econômico para Controle On-Line de Processo por Atributo com Erros de.
Influência do Tamanho Amostral no Planejamento Econômico para Controle On-Line de Processo por Atributo com Erros de 1. Introdução: Classificação Lupércio França Bessegato 1 Roberto da Costa Quinino 2
Leia maisTP034-Tópicos Especiais de Pesquisa Operacional I
TP34-Tópicos Especiais de Pesquisa Operacional I (Conjuntos Difusos Princípio da Extensão) Prof. Volmir Wilhelm Curitiba, Paraná, Brasil Gráficos difusos Um gráfico difuso descreve um mapeamento funcional
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisCONFIRMAÇÃO DA IMPRECISÃO DE RESULTADOS ESTATÍSTICOS OBTIDOS COM A UTILIZAÇÃO DO SOFTWARE EXCEL, ATRAVÉS DE SIMULAÇÃO DE DADOS
CONFIRMAÇÃO DA IMPRECISÃO DE RESULTADOS ESTATÍSTICOS OBTIDOS COM A UTILIZAÇÃO DO SOFTWARE EXCEL, ATRAVÉS DE SIMULAÇÃO DE DADOS LUCIANA DO NASCIMENTO LANCHOTE 1 Iniciação Científica, Bolsista CNPq, UFLA
Leia maisPREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1
PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1 Rita Salete Kusiak 2, Douglas Joziel Bitencourt Freitas 3, Airam Tereza Zago Romcy Sausen 4, Paulo Sérgio
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisComplexidade de Tempo e Espaço
Complexidade de Tempo e Espaço Profa. Sheila Morais de Almeida DAINF-UTFPR-PG junho - 2018 Sheila Almeida (DAINF-UTFPR-PG) Complexidade de Tempo e Espaço junho - 2018 1 / 43 Este material é preparado usando
Leia maisEPUSP PCS 2011/2305/2355 Laboratório Digital. Frequencímetro
Frequencímetro Versão 2012 RESUMO Esta experiência tem como objetivo a familiarização com duas classes de componentes: os contadores e os registradores. Para isto, serão apresentados alguns exemplos de
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1 Introdução Com o elevado índice de expansão dos sistemas elétricos de potência, os freqüentes aumentos nas interligações e o alto número de variáveis que envolvem
Leia maisMonitorando o Consumo Energético de Aplicações Concorrentes com Arduino
Monitorando o Consumo Energético de Aplicações Concorrentes com Arduino Bruno Giacobo Pinto Lucas Mendonça da Silva Xavier Gerson G. H. Cavalheiro Laboratory of Ubiquitous and Parallel Systems Universidade
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisDESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara
Leia maisComportamento Dinâmico de Sistemas de Primeira Ordem. Sistemas de Primeira Ordem (CP1) DEQ/UFSCar 1 / 46
Comportamento Dinâmico de Sistemas de Primeira Ordem Sistemas de Primeira Ordem (CP1) www.professores.deq.ufscar.br/ronaldo/cp1 DEQ/UFSCar 1 / 46 Roteiro 1 Sistemas de Primeira Ordem Função de Transferência
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisCRI Minas Indústria 4.0. Case Vallourec: Golden Batch na produção de tubos
CRI Minas Indústria 4.0 Case Vallourec: Golden Batch na produção de tubos 02 05 2018 G o l d e n B a t c h A n a l y s i s Case Vallourec Líder mundial em soluções tubulares premium, a Vallourec assegura
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisEste capítulo descreve os testes realizados para validar a teoria proposta pela presente dissertação.
6 Simulações Este capítulo descreve os testes realizados para validar a teoria proposta pela presente dissertação. 6.1. Descrição da Simulação Visando validar o equacionamento desenvolvido no Capítulo
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Visão Geral do Reconhecimento de Padrões Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008
Leia maisSistemas de Equações Lineares
Capítulo 3 Sistemas de Equações Lineares Um sistema com n equações lineares pode ser escrito na forma : ou na forma matricial onde com a 1,1 x 1 + a 1,2 x 2 + + a x n = b 1 a 2,1 x 1 + a 2,2 x 2 + + a
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.2. Perceptron 2.2.1. Introdução 2.2.2. Funcionamento do perceptron
Leia maisUm algoritmo pseudo-periférico genérico para a heurística de Snay
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay
Leia mais5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO
102 5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO Conforme detalhado na seção 4.3, foram criados três conjuntos de dados: clientes BT com 382 padrões, clientes comerciais MT com 866 padrões e clientes industriais
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Aspectos Temporais Modelagem de sistemas As tarefas que estudamos, classificação e regressão, podem ser vistas como atividades de modelagem de sistemas. As técnicas de modelagem
Leia maisPROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS
PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS 1 SILVA, J. N., 2 MONTEIRO, G. S., 3 SILVA, S. K., 4 AVELINO, M. C., 5 FRANÇA, M. I. C,.
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 16 Aprendizado Não-Supervisionado Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisEconometria II. Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias.
Eco 2 monitoria Leandro Anazawa Econometria II Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias. E(a) = a E(aX) = ae(x) E(a + bx) =
Leia maisAnálise de Desempenho da Paralelização do Problema de Caixeiro Viajante
Análise de Desempenho da Paralelização do Problema de Caixeiro Viajante Gabriel Freytag Guilherme Arruda Rogério S. M. Martins Edson L. Padoin Universidade Regional do Noroeste do Estado do Rio Grande
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisPCS 2039 Modelagem e Simulação de Sistemas Computacionais
UNIVERSIDADE DE SÃO PAULO ESCOLA POLITÉCNICA Departamento de Engenharia de Computação e Sistemas Digitais PCS 2039 Modelagem e Simulação de Sistemas Computacionais Graduação em Engenharia de Computação
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisAnálise de Algoritmos
Algoritmos p. 1/39 Análise de Algoritmos Parte destes slides são adaptações de slides do Prof. Paulo Feofiloff e do Prof. José Coelho de Pina. Algoritmos p. 2/39 Multiplicação de inteiros gigantescos KT
Leia maisIF-705 Automação Inteligente Sistemas de Controle - Fundamentos
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia mais